Notice bibliographique
Résumé
In 2023, PureHM conducted an emergency inline acoustic leak detection and threat monitoring survey on approximately 9 km (6 mi) of 200-mm (8-in.) carbon steel pipeline that transports crude oil. The operator observed a deviation on their continuous pipeline monitoring (CPM) system, conducted a stand up, and subsequently suspected a leak along this segment. Conventional leak detection methods were unable to pinpoint the location of the suspected leak, and subsequently, the line was purged. Following the purge, PureHM mobilized for an emergency acoustic leak detection and threat monitoring survey. As the leak detection tool required a liquid medium to detect leaks, PureHM collaborated with the operator to prepare a water slug that would function as a carrier for the tool while also providing the liquid medium. The water slug was contained on both ends by cleaning pigs, with the leak detection tool positioned approximately in the middle. The slug and tools were inserted into the pipeline through a standard launcher, traversed the line using nitrogen to push the tool, and were extracted from the pipeline through a standard pig trap. The survey identified three (3) leaks within a 30-m (100-ft) section of the pipeline. The identification of the three (3) leaks allowed the operator to swiftly enact risk mitigation and repair protocols. This paper will detail the process of the inline leak detection survey, the operational challenges and solutions encountered, and implications for future use of leak detection tools in lines without a liquid medium.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».